Integrated Biologics Manufacturing in Stirred-Suspension Bioreactor: A Stem Cell Perspective
Notice bibliographique
Résumé
Stem cell therapy is garnering attention as several clinical trials have taken place in the recent years by using human pluripotent stem cells (hPSCs). Hundreds of biotechnological companies are investing to find a permanent cure for difficult-to-treat diseases like age-related macular degeneration, Parkinson’s disease, diabetes, etc. by using hPSCs. Therefore, clinical-grade cell manufacturing has become an important issue to make cell therapy products safe and effective. Current manufacturing practices are adopted from conventional antibody or protein production in the pharmaceutical industry where cells are used as a vector for producing the desired products. In cell therapy applications, cells are the products that are sensitive to physicochemical parameters and storage conditions anywhere between isolation to patient administration. Moreover, cell-based product manufacturing consists of multi-step processing, including isolation from patients, genetic modification, derivation, expansion, differentiation, purification, characterization, cryopreservation, etc. This can require long processing times and pose high risk of product contamination as well as high production cost. Herein, we discuss the current methods of biologics manufacturing and its limitations. We also review current practices for integrating and automating cell manufacturing facilities. Finally, we propose how to integrate multi-step cell processing in a single bioreactor to make the cell manufacturing practices more direct.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».